安全資料網路效應

Threat Graph、專家回饋與 AI 資安平台的資料護城河

英文工作名： Security Data Network Effects: Threat Graphs, Expert Feedback, and the Data Moat of AI Security Platforms
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
系列：《AI 時代的數位免疫與資安基礎設施》第七篇
文件性質： 理論資安研究／平台經濟模型／AI 資安基礎設施論文
版本： v0.1
日期： 2026-08-10

摘要

當大型語言模型、推理模型與 Agent Runtime 逐漸商品化時，AI 資安平台之間的長期競爭優勢是否仍主要來自「誰擁有最強模型」？

本文主張，答案很可能是否定的。

資安是一種高度依賴歷史事件、跨系統上下文、長期行為模式、攻擊鏈關聯、誤判紀錄與實際處置結果的領域。因此，一個安全平台真正難以快速複製的資產，不只是模型參數，而是長期形成的：

\boxed{ \text{Threat Corpus} + \text{Security Telemetry} + \text{Relationship Graph} + \text{Expert Labels} + \text{Response Outcomes}. }

本文將此稱為「安全資料網路效應」（Security Data Network Effect, SDNE）。

現有產業已出現明顯前兆。CrowdStrike Threat Graph 將端點、工作負載與身份等大量遙測資料組成專門的 cybersecurity graph，官方資料目前稱其每天處理超過一兆事件，跨越約兩兆個圖節點，並明確將「Power of the Crowd」視為其能力之一：在某處首次發現的新型威脅可以形成對整體客戶群的防禦知識。

Microsoft Security Copilot 則建立在每天約 84 兆個安全訊號、持續資料收集、專門安全 orchestrator、組織安全上下文與全球 threat intelligence 之上。Microsoft 同時明確指出，客戶提供給 Security Copilot 的資料並不被拿來訓練其他 AI 模型；安全專屬能力主要透過即時 grounding、plugins、組織資料與 threat intelligence 注入推理流程。

VirusTotal 已累積超過 20 億個檔案樣本，每天分析超過一百萬個新檔案，並由全球多國 submitter 與安全廠商形成資料交換生態。 Google Threat Intelligence 則進一步把 Google 的大規模訊號、Mandiant 第一線事件應變情報與 VirusTotal corpus 統合，再由 AI 進行查詢與關聯。

因此，本文提出：

\boxed{ \text{Future AI Security Competition} \neq \text{Model Competition Alone}. }

更可能是：

\boxed{ \text{Security Data Network Competition}. }

然而本文同時指出，資料規模本身不是充分條件。真正形成護城河的不是 Raw Data，而是：

\boxed{ \text{Coverage} \times \text{Diversity} \times \text{Freshness} \times \text{Context} \times \text{Label Quality} \times \text{Outcome Feedback}. }

本文最終建立一個四平面 AI 資安資料架構，將 Tenant Private Data、Global Threat Intelligence、Expert Feedback 與 AI Model Layer 分離，以避免將「網路效應」錯誤理解成「把所有客戶原始資料集中起來訓練同一模型」。

真正成熟的安全資料網路應做到：

在不取消客戶資料主權的條件下，使某一處得到的新安全知識能夠提高其他地方的防禦能力。

關鍵詞： AI 資安、Threat Graph、安全資料、Cybersecurity Data Lake、Security Copilot、VirusTotal、網路效應、資料護城河、威脅情報、MDR、Security AI

一、問題：如果大家都可以使用同一個模型，資安公司靠什麼競爭？

假設未來市場上存在：

M_1,M_2,\ldots,M_n

個高品質 AI 模型。

不同安全公司可以：

自行訓練；
API 調用；
使用開源模型；
混合多模型；
隨版本更新更換底層模型。

那麼：

\text{Model Access}

逐漸失去完全排他的性質。

因此：

\boxed{ \text{Best Model Today} \not\Rightarrow \text{Permanent Security Moat}. }

下一個問題自然是：

如果模型可以換，什麼東西不能快速換？

二、安全知識具有高度歷史依賴

資安並不是只問：

這一行程式碼有沒有問題？

很多判斷需要：

這個 process 平常會不會出現？

這個使用者正常會登入哪裡？

這個 domain 昨天是否出現在某次攻擊？

這個 binary 曾經和哪些 campaign 關聯？

這一種 alert 過去有多少次其實是 false positive？

因此：

\boxed{ S_t = F( E_t, H_{1:t-1} ) }

其中：

$E_t$ ：當前事件；
$H_{1:t-1}$ ：歷史安全狀態。

所以：

\text{Security Intelligence}

天然具有：

\boxed{ \text{Longitudinal Dependence}. }

三、傳統防毒資料庫就是早期版本

早期 Antivirus 很大一部分能力來自：

\text{Malware Signature Database}.

某一檔案：

x

經分析後得到：

Label(x) = \text{Malicious}.

之後：

x

再出現在其他客戶端時，

即可快速辨認。

因此很早就存在：

\boxed{ \text{One Observation} \rightarrow \text{Many Defenses}. }

這就是最原始的安全資料網路效應。

四、VirusTotal 把這種模型放大

VirusTotal 最初的模式就是：

使用者提交可疑檔案，得到多家安全引擎的分析，而安全廠商也得到新的樣本，以改善其他使用者的保護。

VirusTotal 官方目前稱其資料集中已有超過 20 億個檔案，每天新增分析超過一百萬個檔案，submitter 橫跨 230 多個國家。

這已經是一個典型的：

\boxed{ \text{Security Knowledge Commons}. }

五、但是下一代安全資料不再只是「檔案 → 標籤」

傳統形式：

x\rightarrow y.

例如：

\text{File Hash} \rightarrow \text{Malicious}.

現代系統逐漸需要：

\boxed{ \text{Entity} + \text{Context} + \text{Relation} + \text{Time}. }

例如：

\text{Identity} \rightarrow \text{Device} \rightarrow \text{Process} \rightarrow \text{Domain} \rightarrow \text{Campaign}.

這已經不是普通 lookup table。

而是：

\boxed{ \text{Security Graph}. }

六、Threat Graph

令：

G_T=(V,E).

其中節點：

V

可以包含：

users；
identities；
endpoints；
files；
processes；
domains；
IPs；
workloads；
cloud assets；
vulnerabilities；
threat actors。

而：

E

代表：

executed；
connected；
downloaded；
authenticated；
belongs-to；
exploited-by；
related-to。

這使：

\text{Threat Intelligence}

從：

一個惡意 IP 清單

進入：

一張動態攻擊關係圖。

七、產業已經明確向 Graph 走

CrowdStrike Threat Graph 官方將其描述為專為 cybersecurity 建立的 graph database，將端點、工作負載、身份等 trillions of security events 與 threat intelligence、context 和 correlation markers 結合。

其目前公開數字為每天分析超過一兆事件，涵蓋約兩兆 graph vertices、超過 15 PB 資料。

因此：

\boxed{ \text{Threat Database} \rightarrow \text{Threat Graph}. }

八、Graph 的真正價值不是資料更多，而是可以傳遞關係

假設：

A\rightarrow B,

B\rightarrow C,

C\rightarrow D.

即使：

A

本身沒有惡意標籤，

只要它與：

D

存在足夠強的關聯鏈，

系統仍可能提高：

P(\text{Threat}\mid A).

所以：

\boxed{ \text{Security Intelligence} > \text{Independent Labels}. }

九、Security Data Network Effect

本文正式定義：

令：

N

為安全網路中可提供有效訊號的節點／組織數量。

總安全資料：

D(N).

安全情報品質：

Q(D).

若在一定範圍內：

\frac{\partial Q}{\partial D}>0,

且：

\frac{\partial D}{\partial N}>0,

則：

\frac{\partial Q}{\partial N}>0.

本文稱為：

Security Data Network Effect

安全資料網路效應

十、最簡單的安全飛輪

可以表示為：

\boxed{ N \rightarrow D \rightarrow Q \rightarrow V \rightarrow N. }

其中：

$N$ ：客戶／安全節點數；
$D$ ：安全資料；
$Q$ ：分析品質；
$V$ ：產品價值。

使用者越多：

N\uparrow.

觀察越多：

D\uparrow.

安全判斷越完整：

Q\uparrow.

平台更有價值：

V\uparrow.

進一步：

N\uparrow.

十一、CrowdStrike 已經直接使用「Power of the Crowd」

CrowdStrike 官方 Threat Graph 資料將其中一項能力直接稱為：

Power of the crowd

其描述是：在網路中某個地方遇到的新威脅，可以形成保護所有人的網路效應。

這與本文模型非常接近：

\boxed{ E_i \rightarrow K \rightarrow D_{1:n}. }

某一處發現：

E_i

轉成安全知識：

K,

再提高其他節點：

D_j

的防禦。

十二、但「資料越多越強」仍然是錯誤模型

假設收集：

10^{15}

筆完全重複、沒有上下文的 low-value event。

其價值未必高於：

10^6

筆高品質事件。

因此：

\boxed{ |D| \neq Value(D). }

必須加入品質。

十三、安全資料價值函數

本文提出：

\boxed{ V_D = F( V, D, F, C, L, O ) }

其中：

$V$ ：Volume；
$D$ ：Diversity；
$F$ ：Freshness；
$C$ ：Context；
$L$ ：Label Quality；
$O$ ：Outcome Information。

資料量只是第一項。

十四、Diversity

如果平台只看：

\text{Windows Endpoint},

就可能無法理解：

\text{Cloud IAM}.

因此：

D_{\mathrm{diversity}}

需要跨：

endpoint；
identity；
cloud；
application；
network；
SaaS；
AI Agent。

Palo Alto Cortex XSIAM 目前的 Extended Data Lake 就試圖把 EDR/XDR、cloud、network、SIEM 等多種 telemetry 正規化到統一資料層，形成共同的 AI 與自動化基礎。

十五、Freshness

資安資料具有快速老化特徵。

令：

K(t)

為某安全知識。

其價值可能：

\frac{dV(K)}{dt}<0.

因為：

infrastructure 變化；
malware 更新；
domains 更換；
vulnerabilities patch；
attacker TTP 改變。

所以：

\boxed{ \text{Current Intelligence} }

往往比大量古老資料更加重要。

十六、Context

一個 process：

powershell.exe

不能單獨決定：

\text{Malicious}.

真正判斷需要：

\text{Parent Process} + \text{User} + \text{Command Context} + \text{Network} + \text{History}.

因此：

\boxed{ \text{Context Density} }

可能比 raw event volume 更重要。

十七、Label Quality

AI 最終需要知道：

這次到底是不是攻擊？

因此：

L

可以來自：

analyst confirmation；
incident response；
sandbox；
malware research；
customer disposition；
later evidence。

如果：

L_{\mathrm{bad}}

大量存在，

則：

Q_{\mathrm{AI}}\downarrow.

十八、Outcome Data 是下一個關鍵

傳統資料通常止於：

\text{Threat Detected}.

下一代資料還需要：

\text{Action} \rightarrow \text{Outcome}.

例如：

隔離後攻擊是否停止？

Token revoke 是否有效？

Patch 後是否再次出現事件？

因此：

\boxed{ D_{\mathrm{security}} = (\text{State},\text{Action},\text{Outcome}). }

這比單純：

(\text{State},\text{Label})

資訊更多。

十九、從偵測資料走向防禦經驗資料

這可以形成：

E \rightarrow A \rightarrow O.

其中：

$E$ ：事件；
$A$ ：防禦行動；
$O$ ：結果。

經過大量案例後可以估計：

P(O\mid E,A).

也就是：

在這種情境下，哪個防禦行動最可能有效？

這使 AI 從：

\text{Threat Classifier}

進化成：

\boxed{ \text{Response Policy Learner}. }

二十、Human Expert Feedback

常駐 AI Security Service 的大量事件可以先由 AI 處理。

不確定事件再交給：

H_j.

人類回覆：

true positive；
false positive；
escalate；
isolate；
ignore；
investigate further。

這些都是：

D_H.

也就是：

Expert Feedback Data

二十一、專家工作因此具有雙重價值

一次人類安全分析不只解決：

E_i.

它還產生：

L_i.

因此：

\boxed{ \text{Expert Labor} = \text{Incident Resolution} + \text{Future Training Signal}. }

這會讓大型平台的專家池產生資料外部性。

二十二、AI 與人類形成安全閉環

完整循環：

\boxed{ AI \rightarrow Human \rightarrow Correction \rightarrow Security Knowledge \rightarrow AI. }

隨著：

T\rightarrow\infty,

理想狀態下：

Q_{\mathrm{AI}}\uparrow.

當然不保證單調增加，因為攻擊環境同樣會改變。

二十三、False Positive Data 特別有價值

新廠商很容易知道：

哪些東西「可能有問題」。

真正困難的是知道：

哪些看起來有問題但實際正常。

因此：

D_{\mathrm{FP}}

非常重要。

例如某大型企業內部：

Process_X

看起來極度異常，

但實際是：

\text{legitimate internal automation}.

若沒有歷史資料：

P(\text{False Alarm})\uparrow.

二十四、False Negative Data 更稀有

更有價值的是：

系統當時沒抓到，但事件後來證明是攻擊。

這形成：

D_{\mathrm{FN}}.

其價值很高，因為它直接暴露：

\text{Detection Blind Spot}.

Incident Response 公司因此可能天然具有高價值資料來源。

二十五、這解釋 Mandiant 類型能力的特殊性

Google Threat Intelligence 明確將三種來源統合：

\text{Google-scale Signals} + \text{Mandiant Frontline Intelligence} + \text{VirusTotal Corpus}.

其中 Mandiant 的特殊價值在於：

\boxed{ \text{Real Incident Outcome Data}. }

它不是只有 scanner data。

二十六、真正的護城河因此可能是「閉環數據」

本文將：

D_{\mathrm{closed}}

定義為至少包含：

\boxed{ \text{Observation} + \text{Decision} + \text{Action} + \text{Outcome}. }

相比之下：

D_{\mathrm{open}}

可能只有：

\text{Observation}.

通常：

V(D_{\mathrm{closed}}) > V(D_{\mathrm{open}}).

二十七、歷史資料又產生第二道壁壘

新公司今天成立。

即使取得：

M_{\mathrm{best}}

最強模型，

仍然沒有：

H_{10y}

十年安全歷史。

因此：

\boxed{ \text{Model Parity} \not\Rightarrow \text{Security Intelligence Parity}. }

二十八、安全冷啟動問題

本文稱：

Security Cold Start Problem

安全冷啟動問題

新安全平台：

N\downarrow

所以：

D\downarrow.

因此：

Q\downarrow.

接著客戶會問：

我為什麼要把高權限安全資料交給一個還沒有足夠實績的平台？

因此：

N\downarrow.

形成負向循環：

\boxed{ N\downarrow \rightarrow D\downarrow \rightarrow Q\downarrow \rightarrow Trust\downarrow \rightarrow N\downarrow. }

二十九、這比普通 SaaS 冷啟動更加困難

新筆記軟體沒有資料：

使用者可以自己試。

新 Security AI 沒有資料：

可能漏掉真正攻擊。

而且 Security Agent 還可能需要：

endpoint access；
source code；
IAM telemetry；
cloud access；
email metadata。

所以：

\boxed{ \text{Trust Requirement} \gg \text{Ordinary SaaS}. }

三十、因此 Trust 也是資料飛輪的一部分

完整模型應改成：

\boxed{ N \rightarrow D \rightarrow Q \rightarrow T \rightarrow N. }

其中：

T=\text{Trust}.

沒有信任，

客戶不會給平台足夠深的資料與權限。

沒有資料，

平台又難建立能力。

三十一、所以真正的護城河可能是四個東西

本文提出：

\boxed{ M_{\mathrm{security}} = D + I + H + T. }

其中：

$D$ ：Data；
$I$ ：Integration；
$H$ ：Human Expertise；
$T$ ：Trust。

而不是單純：

M_{\mathrm{security}} = \text{LLM}.

三十二、Integration 本身就是資料品質

假設平台只看：

\text{Endpoint}.

它不知道：

\text{Identity}.

則某事件：

E

只能得到局部判定。

若再接：

\text{Cloud} + \text{IAM} + \text{Email} + \text{Code},

則：

Context(E)\uparrow.

所以：

\boxed{ \text{Integration Coverage} \rightarrow \text{Data Context Quality}. }

三十三、這就是大型平台另一個天然優勢

Microsoft Security Copilot 可以與 Defender、Sentinel、Intune、Entra 等不同安全系統整合，並使用安全專屬 orchestrator 對多來源資料進行上下文關聯。

Palo Alto XSIAM 也把 endpoint、network、cloud 等 telemetry 集中至 Cortex Extended Data Lake 作為共同資料來源。

SentinelOne 則以 Singularity Data Lake 將 endpoint、identity、cloud 與其他 security telemetry 集中為共同調查資料層，並允許保留多年歷史資料供即時查詢。

因此：

\boxed{ \text{Product Breadth} }

本身可能轉化成：

\boxed{ \text{Context Breadth}. }

三十四、AI 模型與安全資料層應分離

這一點非常重要。

Microsoft 明確指出 Security Copilot 的客戶資料不會被拿來訓練其他 AI 模型；安全能力透過插件、grounding、組織資料與 threat intelligence 在推理時提供上下文。

因此：

\boxed{ \text{Security Data Advantage} \neq \text{Train Everything Into the Model}. }

資料可以存在於：

D.

模型：

M

則在推理時讀取：

R(D).

三十五、這其實反而提高模型可替換性

如果：

D

與：

M

分離，

則：

M_1 \rightarrow M_2

可以替換，

而：

D

繼續存在。

因此：

\boxed{ \text{Persistent Asset} = D, }

而：

\boxed{ \text{Replaceable Reasoning Engine} = M. }

至少在部分架構中可以如此。

三十六、未來 Security Platform 可能是 Model-Agnostic

理想架構：

D \rightarrow O \rightarrow M_i \rightarrow A.

其中：

$D$ ：Security Data；
$O$ ：Security Orchestrator；
$M_i$ ：可替換模型；
$A$ ：Action Layer。

於是可以根據：

cost；
latency；
task；
privacy；
reasoning quality；

選擇不同模型。

真正不容易搬走的是：

\boxed{ D+O+\text{integrations}. }

三十七、安全資料圖可能變成新的平台核心

因此未來平台核心不一定是：

security_model_v23.pt

而可能是：

\boxed{ G_{\mathrm{security}}(t). }

一張持續變化的：

Security World Graph

三十八、Security World Graph

其節點可能包含：

V= \{ \text{Users}, \text{Devices}, \text{Apps}, \text{Secrets}, \text{Vulnerabilities}, \text{Threats}, \text{Policies}, \text{Incidents} \}.

關係：

E= \{ \text{Uses}, \text{Trusts}, \text{Runs}, \text{CanAccess}, \text{Exploits}, \text{DependsOn} \}.

時間：

t.

最後：

\boxed{ G_S=(V,E,t). }

三十九、這與前面的攻擊路徑模型直接接合

第二篇定義：

\mathcal P

為攻擊路徑集合。

如果：

G_S

足夠完整，

則可以從圖中推導：

\mathcal P(G_S).

於是：

\boxed{ \text{Better Security Graph} \rightarrow \text{Better Attack-Path Estimation}. }

四十、資料越完整，防禦者越可能先找到 $p^*$

第五篇提出：

t_D(p^*)<t_A(p^*)

作為防禦發現優勢。

資料網路正是其中核心條件：

D_D\uparrow \Rightarrow t_D(p^*)\downarrow.

因此：

\boxed{ \text{Security Data Advantage} \rightarrow \text{Defensive Discovery Advantage}. }

四十一、但是集中安全資料會創造極高風險

如果安全平台知道：

哪家公司沒 patch；
哪個 endpoint 脆弱；
哪些 identity 有 admin；
哪些 API key 存在；
哪些攻擊曾經成功；

那麼它其實擁有：

\boxed{ \text{A Partial Map of Everyone's Weaknesses}. }

因此安全資料庫本身會成為極高價值目標。

四十二、Security Data Concentration Risk

令：

D_P

為安全平台資料價值。

隨：

N

客戶增加：

V(D_P)\uparrow.

同時：

V_{\mathrm{attack}}(D_P)\uparrow.

所以：

\boxed{ \text{Data Network Gain} \Rightarrow \begin{cases} \text{Defense Gain}\\ \text{Concentration Risk} \end{cases} }

四十三、因此不能把所有客戶原始資料無差別集中

未來架構必須至少區分：

D_{\mathrm{tenant}}

與：

D_{\mathrm{global}}.

其中：

D_{\mathrm{tenant}}

包含高度敏感客戶資料，

而：

D_{\mathrm{global}}

應更多保存：

threat indicators；
derived signatures；
anonymized patterns；
public vulnerabilities；
validated threat knowledge。

四十四、四平面安全資料架構

本文提出：

Plane 1 — Tenant Private Plane

D_T.

保存：

logs；
identity graph；
asset inventory；
local policy；
private source context。

原則：

\boxed{ \text{Tenant Isolation}. }

Plane 2 — Global Threat Intelligence Plane

D_G.

包含：

known malware；
threat actors；
campaigns；
public indicators；
vulnerabilities；
global derived patterns。

Plane 3 — Expert Feedback Plane

D_H.

包含：

analyst decisions；
incident conclusions；
false positive；
false negative；
recommended action；
postmortem。

Plane 4 — Model / Reasoning Plane

M.

使用前三者在適當權限範圍內進行：

\text{Reasoning}.

四十五、這樣網路效應不等於資料主權取消

真正健康的：

\text{Security Network Effect}

應該是：

\boxed{ \text{Knowledge Sharing} \neq \text{Raw Data Sharing}. }

例如：

某客戶發現：

T_X.

平台萃取：

K_X.

其他客戶得到：

K_X,

但不需要知道原始受害者完整資料。

四十六、本地 AI 因此再次變得重要

Local Security AI：

A_L

可以先在客戶端處理：

D_T.

只將：

K_{\mathrm{derived}}

上傳。

形成：

\boxed{ D_T \rightarrow A_L \rightarrow K_D \rightarrow D_G. }

這有機會降低：

\text{Central Raw Data Exposure}.

四十七、網路效應也可以是 Federated

因此未來：

N\uparrow

不必意味：

\text{Central Raw Data}\uparrow

同比增加。

也可以形成：

\boxed{ \text{Federated Security Learning}. }

各節點保留敏感資料，

共享：

-模型更新；

derived patterns；
threat signatures；
aggregated statistics。

四十八、資料污染問題

如果資料就是護城河，

那麼：

\boxed{ \text{Data Poisoning} }

自然成為重要攻擊面。

攻擊者可以嘗試產生大量：

D_{\mathrm{false}}

影響：

reputation；
labels；
correlations；
automated response。

因此：

D

不能直接等於：

Truth.

四十九、資料必須具有可信度權重

令：

d_i

為一筆安全觀察。

給：

w_i = P(d_i\text{ reliable}).

則：

\boxed{ D_{\mathrm{effective}} = \sum_iw_id_i. }

來源包括：

sandbox；
trusted sensor；
human analyst；
public submission；

其權重可以不同。

五十、安全平台其實還需要 Data Provenance

每一筆重要知識應知道：

\text{Who observed it?}

\text{When?}

\text{How verified?}

\text{What happened later?}

因此：

\boxed{ \text{Security Data} + \text{Provenance}. }

沒有 provenance，

AI 很容易把錯誤歷史當成真相。

五十一、資料網路效應可能產生市場集中

若：

N \rightarrow D \rightarrow Q \rightarrow N

成立，

先進入市場的平台可能逐漸建立：

\boxed{ \text{Cumulative Data Advantage}. }

後進者即使模型相同，

仍需要時間累積：

D_H+D_O+D_G.

因此市場可能形成少數大型安全網路。

五十二、這解釋防毒品牌為何容易長期存在

傳統防毒就已經具備：

\text{Sample Accumulation} + \text{Threat Research} + \text{Installed Base} + \text{Brand Trust}.

AI Security 只是把這個飛輪從：

\text{Malware Files}

擴張到：

\boxed{ \text{Whole-System Security State}. }

所以護城河可能比傳統 Antivirus 更強。

五十三、但也提供新創一條可能的進場路線

如果直接與：

D_{\mathrm{global\ giant}}

競爭，

非常困難。

新創可以建立：

D_{\mathrm{specialized}}.

例如：

AI Agent Security；
Vibe-Code Security；
SMB Security；
Robotics Security；
OT Security；
某特定產業。

如果：

Q(D_{\mathrm{specialized}}) > Q(D_{\mathrm{general}}\mid\text{specific domain}),

就仍能建立垂直護城河。

五十四、所以新創不必一開始建立「世界最大病毒庫」

它可以先建立：

\boxed{ \text{Best Data in One Narrow Domain}. }

例如：

最完整 AI Agent tool-call security corpus。

再逐步擴展：

D_1\rightarrow D_2\rightarrow\cdots.

這比：

第一版直接取代 Microsoft Defender

現實得多。

五十五、安全資料資產的真正排序

本文暫時提出：

\boxed{ D_{\mathrm{outcome}} > D_{\mathrm{labeled}} > D_{\mathrm{contextual}} > D_{\mathrm{raw}} }

不是絕對數學定律，

而是一項產品設計假設。

因為：

一億筆沒有結論的 log，

可能不如：

十萬筆有完整原因、處置與結果的事件。

五十六、Security Experience Database

因此未來真正珍貴的資料庫可能不是：

Threat Database

而是：

Security Experience Database

其基本單位：

\boxed{ X_t \rightarrow A_t \rightarrow X_{t+1}. }

也就是：

在某安全狀態下做了什麼，之後發生什麼。

五十七、這和常駐 AI Security 天然相容

第六篇提出常駐 Security Runtime。

只有常駐：

A_S

才能持續看到：

X_t.

也只有它可以完整知道：

A_t

以及：

X_{t+1}.

所以：

\boxed{ \text{Persistent Security Service} \rightarrow \text{High-Quality Experience Data}. }

五十八、這又反過來提高常駐服務能力

得到：

D_E

之後：

A_S'

可以更好。

形成：

\boxed{ \text{Persistent Service} \rightarrow \text{Experience Data} \rightarrow \text{Better Service} \rightarrow \text{More Customers}. }

這就是完整飛輪。

五十九、可證偽命題

命題一：相同模型、不同安全資料會形成顯著能力差異

固定：

M.

給：

System A

只有公開資料。

System B

加入歷史 tenant telemetry。

System C

加入 expert feedback 與 outcome data。

比較：

Q_A,Q_B,Q_C.

預測：

Q_C>Q_B>Q_A.

命題二：資料多樣性比純資料量更重要

令：

|D_A|>|D_B|,

但：

D_B

跨 endpoint、identity、cloud。

若：

Q_B>Q_A

在跨域攻擊任務中成立，

則支持：

\text{Diversity} > \text{Raw Volume}.

命題三：Expert Outcome Feedback 能降低重複誤判

比較：

FPR_t

隨：

D_H

累積的變化。

預測：

\frac{dFPR}{dD_H}<0

至少在分布穩定區域成立。

命題四：Security Data Network Effect 存在遞減收益

本文不主張：

Q\propto D

無限線性增加。

更合理的是：

\frac{\partial Q}{\partial D}>0,

但：

\frac{\partial^2Q}{\partial D^2}<0

在資料高度重複時可能成立。

所以：

\boxed{ \text{More Data Eventually Saturates}. }

新的：

diversity；
outcome；
rare cases；

比純重複資料更重要。

六十、研究限制

本文不主張：

客戶越多的平台一定越安全；
原始客戶資料應無限制共享；
Security AI 必須拿客戶資料訓練模型；
所有 telemetry 都具有同等價值；
大平台天然不可被新創挑戰；
資料量可以替代專家；
Threat Graph 可以完整描述所有安全問題；
資料集中化沒有隱私與系統性風險。

本文真正主張的是：

\boxed{ \text{AI Security 的長期資產，很可能主要存在於模型之外。} }

六十一、結論：模型可以換，安全經驗不能瞬間下載

AI 時代很容易形成一種錯覺：

最好的 AI 資安公司，就是使用最好模型的公司。

但資安真正的結構更接近：

\boxed{ \text{AI Model} + \text{Security Data} + \text{Integration} + \text{Expertise} + \text{Trust}. }

其中模型可能：

M_1\rightarrow M_2

快速更換。

但：

10\text{ years of incidents}

不能一夜生成。

10^9\text{ expert decisions}

不能直接下載。

跨：

\text{Identity} + \text{Endpoint} + \text{Cloud} + \text{Application}

形成的歷史關係圖，

同樣不能只靠換一個 checkpoint 得到。

因此：

\boxed{ \text{Model Intelligence} \neq \text{Security Intelligence}. }

更準確地說：

\boxed{ \text{Security Intelligence} = \text{Model Reasoning} \times \text{Security Experience}. }

一個只有高階模型、沒有安全經驗的 AI，

可能很聰明。

但它仍然不知道：

這家公司平常是什麼樣子。

這個行為過去是不是正常。

這種事件最後通常如何收場。

哪種處置曾經真的有效。

因此，未來最大的 AI 資安平台很可能不只是：

模型公司。

而會逐漸成為：

\boxed{ \text{Security Knowledge Networks}. }

它們持有的不是單純病毒資料庫，

而是：

\boxed{ \text{世界長期遭遇數位攻擊、進行判斷、採取防禦並觀察結果的累積經驗。} }

而這正是最強護城河，也同時是最危險的集中點。

因此本系列最後一篇必須處理：

當這種平台開始保護使用者的身份、密碼、端點、公司系統與高價值資產，誰承擔安全失敗後的經濟責任？

以及：

一家公司若不只是賣工具，而是承諾「替你維持安全」，這個承諾到底值多少錢？

因此第八篇將進入：

《資安即基礎設施》

AI 防禦、風險轉移、法律責任與數位安全公用事業

最終把：

\text{Security Technology}

與：

\text{Economic Liability}

正式接在一起。

參考資料

CrowdStrike, Threat Graph. CrowdStrike 官方將 Threat Graph 描述為 cybersecurity graph database，結合端點、workload、identity telemetry、threat intelligence 與 correlation，並宣稱每天處理超過一兆事件、約兩兆 graph vertices，以及超過 15 PB 資料；亦明確提出「Power of the Crowd」網路效應。
Microsoft, Microsoft Security Copilot FAQ. Microsoft 指出安全 AI 需要持續資料收集、證據、組織環境上下文、專用 orchestrator 與全球威脅情報；其目前公開基礎為每天約 84 兆個 threat signals。
Microsoft, Responsible AI Overview for Security Copilot, updated 2026。Microsoft 說明客戶資料不被用來訓練其他 AI 模型，而是透過 plugins、grounding、組織資料與 threat intelligence 在 inference time 提供安全專屬上下文。
VirusTotal, Files API Documentation. VirusTotal 官方資料集目前包含超過 20 億個歷年分析檔案。
VirusTotal, Learning Resources / About. VirusTotal 目前公開超過 20 億個檔案、每天超過一百萬個新檔案分析，以及橫跨 230 多國的 submitters；其原始機制亦以使用者、資安廠商與樣本交換形成協作生態。
Palo Alto Networks, Cortex XSIAM Architecture, updated June 30, 2026。Cortex Extended Data Lake 將 endpoint、network、cloud 與其他 telemetry 正規化並集中為 AI 與 automation 的共同資料基礎。
Palo Alto Networks, Findings and Events, 2026。Cortex knowledge data lake 可保存 vulnerability、configuration、compliance、identity、event 等持續變動的 security state。
SentinelOne, Singularity Data Lake, 2026。其安全資料平台將 endpoint、identity、cloud 等 telemetry 統合，並提供多年 hot data retention 與跨時間調查能力。
Google Cloud, Google Threat Intelligence. Google Threat Intelligence 統合 Google 大規模訊號、Mandiant frontline intelligence 與 VirusTotal threat corpus。
Google Security Operations, 2026。Google SecOps 將安全 telemetry、Mandiant/VirusTotal threat intelligence、SIEM、SOAR 與 attack surface context 整合於調查與偵測流程。

安全資料網路效應

安全資料網路效應

Threat Graph、專家回饋與 AI 資安平台的資料護城河

摘要

一、問題：如果大家都可以使用同一個模型，資安公司靠什麼競爭？

二、安全知識具有高度歷史依賴

三、傳統防毒資料庫就是早期版本

四、VirusTotal 把這種模型放大

五、但是下一代安全資料不再只是「檔案 → 標籤」

六、Threat Graph

七、產業已經明確向 Graph 走

八、Graph 的真正價值不是資料更多，而是可以傳遞關係

九、Security Data Network Effect

Security Data Network Effect

安全資料網路效應

十、最簡單的安全飛輪

十一、CrowdStrike 已經直接使用「Power of the Crowd」

十二、但「資料越多越強」仍然是錯誤模型

十三、安全資料價值函數

十四、Diversity

十五、Freshness

十六、Context

十七、Label Quality

十八、Outcome Data 是下一個關鍵

十九、從偵測資料走向防禦經驗資料

二十、Human Expert Feedback

Expert Feedback Data

二十一、專家工作因此具有雙重價值

二十二、AI 與人類形成安全閉環

二十三、False Positive Data 特別有價值

二十四、False Negative Data 更稀有

二十五、這解釋 Mandiant 類型能力的特殊性

二十六、真正的護城河因此可能是「閉環數據」

二十七、歷史資料又產生第二道壁壘

二十八、安全冷啟動問題

Security Cold Start Problem

安全冷啟動問題

二十九、這比普通 SaaS 冷啟動更加困難

三十、因此 Trust 也是資料飛輪的一部分

三十一、所以真正的護城河可能是四個東西

三十二、Integration 本身就是資料品質

三十三、這就是大型平台另一個天然優勢

三十四、AI 模型與安全資料層應分離

三十五、這其實反而提高模型可替換性

三十六、未來 Security Platform 可能是 Model-Agnostic

三十七、安全資料圖可能變成新的平台核心

Security World Graph

三十八、Security World Graph

三十九、這與前面的攻擊路徑模型直接接合

四十、資料越完整，防禦者越可能先找到 p∗p^*p∗

四十一、但是集中安全資料會創造極高風險

四十二、Security Data Concentration Risk

四十三、因此不能把所有客戶原始資料無差別集中

四十四、四平面安全資料架構

Plane 1 — Tenant Private Plane

Plane 2 — Global Threat Intelligence Plane

Plane 3 — Expert Feedback Plane

Plane 4 — Model / Reasoning Plane

四十五、這樣網路效應不等於資料主權取消

四十六、本地 AI 因此再次變得重要

四十七、網路效應也可以是 Federated

四十八、資料污染問題

四十九、資料必須具有可信度權重

五十、安全平台其實還需要 Data Provenance

五十一、資料網路效應可能產生市場集中

五十二、這解釋防毒品牌為何容易長期存在

五十三、但也提供新創一條可能的進場路線

五十四、所以新創不必一開始建立「世界最大病毒庫」

五十五、安全資料資產的真正排序

五十六、Security Experience Database

Threat Database

Security Experience Database

五十七、這和常駐 AI Security 天然相容

五十八、這又反過來提高常駐服務能力

五十九、可證偽命題

命題一：相同模型、不同安全資料會形成顯著能力差異

System A

System B

System C

命題二：資料多樣性比純資料量更重要

四十、資料越完整，防禦者越可能先找到 $p^*$